利用瑞芯微3399Pro推理yoloV5s目标检测模型：踩坑笔记
1.参考：yolov5和rknn模型的问题_走错路的程序员的博客-CSDN博客_rknnYOLOv5s部署在瑞芯微电子RK3399Pro中使用NPU进行加速推理_Deepsdu的博客-CSDN博客_npu加速2.具体步骤1：先部署好环境（服务器ubuntu18.04，带GPU环境;瑞芯微3399pro，买来自带debian10操作系统；两种设备均需部署）：按照官方（GitHub - rockchi
1.参考：
yolov5和rknn模型的问题_走错路的程序员的博客-CSDN博客_rknn
YOLOv5s部署在瑞芯微电子RK3399Pro中使用NPU进行加速推理_Deepsdu的博客-CSDN博客_npu加速
2.具体
步骤1：先部署好环境（服务器ubuntu18.04，带GPU环境;瑞芯微3399pro，买来自带debian10操作系统；两种设备均需部署）：
按照官方
（GitHub - rockchip-linux/rknn-toolkit）
下载好code（两台设备都下载下）,然后doc文件夹下面手册
按照手册部署好环境。
步骤2：在服务器上面：下载GitHub - littledeep/YOLOv5-RK3399Pro: PyTorch-->ONNX-->RKNN 代码，然后按照yolo5训练方式，先准备好自定义数据集（我这边是百度paddlePaddle官网可以下载的路标数据集，共4类），然后运行train.py训练好MyYolo5s.pt模型
步骤3：在服务器上面：export成.onnx模型:
参考yolov5和rknn模型的问题_走错路的程序员的博客-CSDN博客_rknn，小修改export.py，然后电脑要能上网，然后运行生成.onnx模型
步骤4：在服务器上面：.onnx模型转.rknn模型：
参考https://blog.csdn.net/phker/article/details/121084160，运行onnx2rknn.py
步骤5：在瑞芯微上面：利用.rknn模型来识别：
参考yolov5和rknn模型的问题_走错路的程序员的博客-CSDN博客_rknn，
识别代码路径rknn_detect\rknn_detect_for_yolov5_original.py
步骤6：模型预编译，解决模型的加载时间过长的问题，可以稍微提高推理速度：
参考：YOLOv5s部署在瑞芯微电子RK3399Pro中使用NPU进行加速推理_Deepsdu的博客-CSDN博客_npu加速（7.模型预编译）
成功推理结果如下图所示：
更多推荐
3
0- 0
已为社区贡献1条内容
所有评论(0)